基于CNN-GRU的菇房多点温湿度预测方法研究

有效获取温室出菇房的温湿度空间分布对于优化食用菌环境胁迫、病害预警、出菇房预调控至关重要,但传统的单点预测不能很好地满足菇房整体环境性能评估的需求。针对出菇房内温湿度时序性、非线性、空间分布差异性的特点,提出一种基于卷积神经网络(CNN)与门控循环单元神经网络(GRU)相结合的菇房多点温湿度预测方法。将温室室外历史气象数据、温室室内历史小气候环境数据、多点环境分布特征、通风信息和加湿信息多特征数据按照时间序列构造二维矩阵作为输入,采用CNN挖掘数据中蕴含的有效信息,提取反映温室环境数据相互联系的高维特征,将提取的特征向量构造为时间序列输入GRU网络进行多点温湿度预测。将该预测方法应用于北京市农林科学院的日光温室出菇房内多点温湿度预测,实验结果表明,该预测方法对于出菇房内各点温度RMSE平均值为0.211℃,MAE平均值为0.140℃,误差控制在±0.5℃范围内的平均比例为97.57%;对于出菇房内各点相对湿度RMSE平均值为2.731%,MAE平均值为1.713%,误差控制在±5%范围内的平均比例为92.62%;相比传统的BP神经网络、长短期记忆神经网络(LSTM)和门控循环单元神经网络(GRU),该预测方法具有更高的预测精度。     

基于多模型融合策略的温室番茄光合速率预测方法

温室番茄光合速率的准确预测对于番茄的生长和产量评估具有重要意义。然而,由于温室环境的复杂性和多变性,传统的光合速率预测模型往往难以满足精准预测的需求。因此,为了进一步提高预测模型的准确性和稳定性,本研究提出了一种基于多模型融合策略的温室番茄光合速率预测方法。首先,采集温湿度、光照强度、CO2浓度不同组合下的番茄光合速率,构建样本集,并采用五折交叉验证法（Cross-Validation）对数据进行预处理。以预处理的数据为基础,分别基于粒子群优化支持向量机（PSO-SVR）、布谷鸟优化极限学习机（CS-ELM）和北方苍鹰优化高斯过程回归（NGO-GPR）算法建立番茄光合速率预测模型对光合速率进行初步预测,然后采用Stacking算法通过基于决策树的集成学习模型（XGBoost）组合各基础模型的预测结果,进而实现多模型融合。仿真分析结果表明,与单一预测模型相比,基于多模型融合的光合速率预测模型充分发挥了各基础模型的优势,可以进一步提高光合速率预测的准确性和稳定性,该模型验证集MAE为0.5697μmol/（m2·s）,RMSE为0.7214μmol/（m2·s）。因此,本文提出的方法在温室作物光合速率预测方面具有一定的优势,可为温室番茄等作物光环境优化调控提供一定的理论基础和技术支撑。     

春秋茬温室番茄光合速率预测模型通用性研究

基于无线传感器网络,建立了春秋茬温室番茄光合速率预测模型。在2014年秋季与2015年春季,采用无线传感器网络自动获取温室环境因子信息,包括空气温湿度、土壤温湿度、光强与CO2浓度。同时采用LI-6400XT型光合仪测定植物的单叶净光合速率,利用叶室小环境来扩展数据范围。将采集到的温室环境信息作为输入参数,单叶净光合速率作为输出参数,利用神经网络建立番茄光合速率预测模型。为了提高模型的预测精度,首先使用Z分数对输入参数进行标准化,然后对标准化后的数据进行主成分分析;其次,根据各主成分的累积贡献率选取主成分,然后经过K折交叉检验后建立神经网络预测模型。结果表明,采用2014年秋季数据建立的预测模型,相关系数为0.99;2015年春季为0.95;用两季数据联合建立的通用模型,相关系数为0.85。利用春秋茬联合数据建立的温室番茄光合速率预测模型通用性较好,可以为日光温室CO2气肥精细调控提供理论支持。     

基于环境因子的黄瓜病害预测研究

日光温室中病害的预测预报是病害管理的重要组成部分,也是有效防治和控制病害发生发展的依据,更是农业生产管理和决策的前提。植物生长发育进程明显受到温度的影响,而病害发生又与长时间高温度和高湿度相联系。以往的病害预测多是基于对植物本身的病害特征、种植方法和农药的用量来实现的,多是如何防止。因此,病害早期的预测、预报和防治显得非常重要。为此,根据已有的专家知识库建立以环境数据(即温度和湿度)为输入的神经网络病害预测模型,通过此模型用实际的环境数据再预测未来病害,从而减少病害发生的概率,获得速生高产与优质高效的农产品,实现经济效益最优的目标。     

基于SSA-LSTM的日光温室环境预测模型研究

构建日光温室环境预测模型,准确预测温室环境变化有助于精准调控作物生长环境,促进果蔬生长。而温室小气候环境数据多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型。针对以上问题,提出一种基于麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)温室环境预测模型,实现了温室环境数据的精准预测。实验结果表明,采用SSA自动进行参数选优的方式,解决了LSTM模型参数手动选择的难题,大幅缩短模型训练时间,且最优的网络参数能够发挥模型的最佳性能。对日光温室内空气温湿度、土壤温湿度、CO₂浓度和光照强度6种环境参数进行预测,SSA-LSTM平均拟合指数高达97.6%,相比BP、门控循环单元(GRU)、LSTM,其预测拟合指数分别提升8.1、4.1、4.3个百分点,预测精度明显提升。     

基于VB的温室温湿度实时监测上位机系统设计

研究并设计了一种基于VB的温室温湿度实时监测上位机系统。该系统能实现对现场采集的温湿度数据进行实时监测，并针对不同的作物，当环境温湿度参数越限时，启动声音报警，以便管理员介入进行自动或手动调控。提供温室作物最佳的温湿度生长环境，提高温室的自动化程度和生产效率。该系统应用软件工程的设计思想，以Microsoft Visual Basic 6.0为开发环境，Microsoft Access为后台数据库，采用模块化的设计方法，利用面向对象、数据库等技术完成系统数据的实时显示、信息和数据的存储、历史数据查询、统计分析、打印和异常报警等功能，实现了上位机系统的监测任务。介绍了系统的总体设计和各功能模块的设计，说明了该系统的主要功能，并给出了系统的运行界面和部分代码，在系统和数据库安全方面也采取了一定措施。      

基于PSO-LM-RBF温室温湿度预测

为了提高对北方温室温湿度预测的精度,采用温室内外的气象数据作为输入,以温室的温湿度分别作为输出,提出了基于PSO-LM-RBF的温室温度和湿度预测模型,并且通过仿真实验对该模型的性能进行评估,其中实验的输入数据为天津某温室3月份的连续实测数据。通过仿真实验得到更高的预测精度,证明了该方案的可行性。此模型可以用于温室温湿度的预测控制。     

秋季温室番茄环境因子变化规律研究—基于无线传感网络

环境因子是制约蔬菜产量与品质的关键因素。为了精准指导温室番茄生产管理、探索环境因子变化对其影响,利用无线传感网络(Wireless Sensor Network,WSN)采集了连栋温室番茄在不同生育期、高度、位置下环境因子数据。数据分析发现:不同发育期温湿度变化范围不同,光照强度减弱,光照时间减少,二氧化碳浓度变化延迟;白天,冠层的温度、光照强度比其他高度的大,湿度比其他高度的低,中间层与根部接近,夜间3个高度环境因子相近;不同位置温度由南向北、湿度由北向南呈高到低之势,光照强度和二氧化碳浓度最大差值分别为6 562.5 lux及9 3.7 6×1 0-6。测试结果表明:WSN可为番茄连栋温室环境调控提供参考和决策支持。     

基于K-medoids和LSTM的冷链运输环境预测方法

针对目前冷链储运环境状态仅通过当前环境监测数据进行判断,未能对环境变化趋势做出预判,无法很好地满足冷链储运环境性能评估的需求,提出了一种基于K中心点算法(K-medoids)和长短时记忆网络(LSTM)相结合的冷藏车厢温湿度多步预测方法。将冷藏车厢内历史温湿度数据、采集节点分布特征按照时间序列作为输入,采用K-medoids对其进行数据融合,然后将融合后的数据按照时间序列输入LSTM网络进行温湿度预测。将该预测方法应用于舟山兴业集团的冷藏车内进行温湿度预测验证。试验结果表明：该预测方法对于冷藏车厢内温度预测的均方根误差、平均绝对误差、平均绝对百分比误差分别为0.343 8℃、0.273 0℃、1.51%;对于冷藏车厢内相对湿度均方根误差、平均绝对误差、平均绝对百分比误差分别为2.561 9%、1.995 6%、3.53%,相比于BP神经网络等其他浅层模型,该模型具有较好的预测精度和泛化能力,能够满足冷链储运环境预测的实际需求,可为冷链运输环境精细化管理和调控提供策略支持。     

基于多模态融合技术的番茄灰霉病智能协同诊断模型研究

为快速、准确地监测设施番茄灰霉病的发生情况,选取灰霉病发生的环境因子特征和图像特征两类数据,分别构建基于单因子的灰霉病的识别模型,并研究两个模型间的关联识别模型。首先,连续采集番茄灰霉病发生与不发生设施温室的最高空气温度和平均空气湿度,构建基于Logistic回归分析的设施番茄灰霉病温湿度预测模型;然后,开展番茄叶部灰霉病RGB图像的采集和预处理,建立图像数据集,构建基于ResNet50-CBAM卷积神经网络的番茄灰霉病RGB图像识别模型;最后,运用多模态融合技术,以温湿度预测模型为文本模态,图像识别模型为图像模态,构建番茄灰霉病智能协同诊断模型。试验结果表明：在VGG16,MobileNet V2,ResNet50和ResNet50-CBAM四个网络模型中,ResNet50-CBAM网络结构准确率最高,达到95.48%,使用基于多模态融合技术的番茄灰霉病智能协同诊断技术的准确率达98.3%,比温湿度预测模型提高14.7%,比RGB图像识别模型提高2.82%。